台湾癌症联合学术年会会议报导 (下)：肿瘤突变负荷量（TMB）检测标准化、AI 医疗影像诊断、RNA 奈米技术与肿瘤医学

第 24 届台湾癌症联合学术年会第二天依然有许多精彩的演讲，基因线上特选 FFPE 样本与次世代定序（NGS）、肿瘤突变负荷量（TMB）检测标准化、AI 医疗影像诊断、RNA 奈米技术与肿瘤医学等焦点主题，与读者一起回顾精彩时刻。

FFPE 样本的次世代定序（NGS）与基因体研究

奇美医院病理中心部长李健逢医师表示，以 NGS 技术为基础的伴随式诊断，能找出基因体变异，进而给予患者最适合的治疗药物。他们探讨福马林固定石蜡包埋组织（formalin-fixed and paraffin-embedded，简称 FFPE）肿瘤样本的 DNA 品质和纯度与后续的定序品质等相关性。2012 年以前，FFPE DNA 碎片（fragmentation）比率约为 24%。2012年以后，FFPE DNA 碎片比率仅 3.9%。FFPE 老化也会导致去胺基作用（deamination），使 CG 变成 TA，进而造成读序的伪阳性（false positive）。脱钙、坏死、出血、穿刺切片（needle biopsy）都可能影响 FFPE 样本的品质。少数 FFPE 需用EDTA 进行脱钙，以便取得足够且品质好的 DNA 进行定序，而强酸脱钙会伤害样本 DNA，不建议使用。此外，有 85% 的 FFPE 穿刺切片样本通常产生足够的 DNA（大于 80ng）。

他们以 NGS 检测 407 个 FFPE 样本，分析不同癌症的基因缺失或扩增频率。例如，B2M 基因缺失常见于初次疗患者，又与免疫检查点抑制剂抗药性有关，以及 MDM2 基因扩增与免疫检查点治疗后过度增生有关。他们发现透过免疫组织化学染色法（immunohistochemistry, IHC）与 NGS 拷贝数变异等方法分析乳癌 HER2 表现的结果是完全一致的（100%）。大肠直肠癌 FFPE 的错配修复基因（mismatch repair gene）突变，以及其他类型癌症的基因变异。

奇美医院病理中心部长李健逢医师

肿瘤突变负荷量（TMB）检测标准化

李健逢医师也提到，目前肿瘤突变负荷量（tumor mutational burden, TMB）的计算和报告尚未有一套标准。例如 A 厂牌、B厂牌跟 C 厂牌检测方式，与自己送检的检测方式，可能得到的结果都不一样。为了达成不同厂商的 TMB 平台一致性的目标，美国 Friends肿瘤研究中心和德国 QuIP（Quality Assurance Initiative Pathology）以美国癌症基因体图谱计画（The Cancer Genome Atlas, TCGA）数据库中的的正常细胞与肿瘤细胞混合的全外显子定序（Whole Exome Sequencing, WES）检测资料（简称 TCGA-WES）为参考标准，进行 TMB 比对分析。在 2018年5月，他们召开会议与不同检测厂商来讨论 TMB 作为生物标记的标准化及共识。包含 Foundation Medicine、Personal Genome Diagnostics、Thermo Fisher Scientific、Illumina、GuardantHealth、NeoGenomics Laboratories、Qiagen、行动基因以及 Memorial Sloan Kettering Cancer Center（MSKCC）等 NGS公司或医疗机构。台湾方面，由奇美医院收案的 FFPE次世代定序 TMB 资料与 TCGA 的 WES-TMB 之间有显著的正相关性（R=0.96，R2=0.92）。此外，与 WES-TMB、MSKCC 的 IMPACT平台（正常细胞与肿瘤细胞混合）各自的 TMB 分布结果相比，奇美医院 FFPE 也是相似的。

AI 影像诊断不会取代医师可望成为得力助手

哈佛医学院生物医学资讯所余坤兴博士透过越洋视讯表示，目前可透过电子病历（Electronic Midical Record）以及影像分析技术来诊断疾病。在智慧咨询计画中， AI 判断感染患者的用药选择优于感染专家的比率约 2.5%-22.5%。AI 诊断肺癌细胞以及肺癌亚型的准确性高，曲线下面积（Area under Curve, AUC）分别为 0.979-0.995以及 0.884-0.932。透过机器学习分析（machine learning）肺癌癌症细胞质影像与 p53 突变的关系。深度学习系统也能准确预测卵巢癌化疗反应。然而，机器学习最大的障碍之一就是资料品质太差，也就是“垃圾进，垃圾出”（garbage-in, garbage-out），会影响分析和决策领域。另一障碍为机器学习预测为相关性，而非因果关系（causation）。常规的医疗模式为患者来找医师，医师进行诊断、记录电子病例和给予治疗，而现在透过 AI 的帮助，能给予医师建议。未来透过整合性决策支持系统，患者能同时找 AI 和医师诊断，AI 能再给医师建议，医师再给予治疗。AI 将帮助其开发者能从医疗照护的市场中获取不少利润，提升医护人员的工作效率，降低医疗资源浪费，也能帮助患者得到新颖的治疗。然而，AI 仍有以下挑战：临床医师如何判读 AI 诊断错误、AI 模型的监管规定、机器学习模式的解释、社会与法规的冲突，因此需要更多跨领域专家一起努力，建立好相关审查、把关制度。最后余博士更表示，AI 不会取代医师，但不懂 AI 的医师恐将被取代，鼓励大家以正面积极的角度，迎接 AI。

哈佛医学院生物医学资讯所余坤兴博士透过越洋视讯分享

云象科技执行长叶肇元医师表示，目前透过深度学习（deep learning）可分析乳房X光摄影分类、胸腔及呼吸道电脑断层、肺结核侦测、骨头X光、皮肤疾病分类、乳癌转移侦测、糖尿病视网膜病变等影像。他们正透过临床病理科医师从骨髓抹片影像中注解 500000 个细胞（目前 100000 个细胞），以建立全球第一个骨髓疾病的 AI 判断系统。然而，过程中的注解、验证、跟 AI 演算系统是仍需克服的挑战。此外，他们也 AI 影像诊断食道癌及患者术前评估。最后提到，未来 AI 将可能取代实验室影像人工任务，数据判读速度会快过人类，改善医疗影像判读的品质，并且带来新的治疗观点。

云象科技执行长叶肇元医师

RNA 奈米技术与肿瘤医学

美国俄亥俄州立大学郭培宣教授分享，生物马达有线性（linear）、自转（rotation）、公转（revolution）等类型，而公转马达由他们发现，接着他们建构 Phi29 DNA 组装马达。有别于传统 RNA 研究以 2D/3D 结构为主，他们开发出新的 RNA 奈米是 4D 结构，利用重新改变结构的 RNA 片段，建构出超稳定的 RNA奈米颗粒，且其热动力学的稳定性高过于 DNA。该 RNA奈米颗粒可纳入沉默基因的小干扰 RNA，调控基因表献的 micro-RNA，标靶癌细胞的核酸适体，或是能够催化化学反应的核酸酶。此外，他们在动物模型中，成功控制 RNA奈米颗粒的去向，以产生载有治疗剂且能标靶三种类型癌症的胞外体，可望促进 siRNA、microRNA 和其他 RNA干扰技术等新一代抗癌药物的开发。